杜克大学（DukeUniversity）的研究人员已经证明，将已知的物理知识融入机器学习算法，可以帮助难以捉摸的黑匣子获得更高水平的透明度和对材料特性的洞察。
在第一批此类项目中，研究人员构建了一种现代机器学习算法，以确定一类被称为超材料的工程材料的特性，并预测它们如何与电磁场相互作用。
因为它首先必须考虑超材料的已知物理约束，所以该程序基本上被迫显示其工作。该方法不仅使算法能够准确预测超材料的特性，而且比以前的方法更有效，同时提供了新的见解。
这一结果于5月9日的一周在线发表在《高级光学材料》杂志上。
杜克大学电气与计算机工程教授威利·帕迪拉（WilliePadilla）表示：“通过将已知物理直接融入机器学习，该算法可以用更少的训练数据和时间找到解决方案。”。“虽然这项研究主要是证明该方法可以重现已知的解决方案，但它也揭示了一些以前没有人知道的非金属超材料内部工作原理的见解。”
超材料是由许多单独的工程特性组成的合成材料，这些特性共同产生自然界中无法通过结构而非化学发现的特性。在这种情况下，超材料由一个类似乐高基板的硅圆柱体大网格组成。
根据圆柱体的大小和间距，超材料以各种方式与电磁波相互作用，例如吸收、发射或偏转特定波长。在这篇新论文中，研究人员试图构建一种称为神经网络的机器学习模型，以发现单个圆柱体的高度和宽度范围如何影响这些相互作用。但他们也希望它的答案有意义。
杜克大学电气与计算机工程助理研究教授乔丹·马洛夫（JordanMalof）说：“神经网络试图在数据中找到模式，但有时发现的模式不符合物理定律，这使得它创建的模型不可靠。”。“通过迫使神经网络遵守物理定律，我们阻止它找到可能符合数据但实际上不真实的关系。”
研究小组施加在神经网络上的物理称为洛伦兹模型鈥攁 描述材料固有特性如何与电磁场共振的一组方程。该模型必须学会预测洛伦兹参数，然后用于计算圆柱体的响应，而不是直接跳到预测圆柱体的响应上。
然而，加入这一额外步骤说起来容易做起来难。
帕迪拉实验室的博士后研究员奥马尔·哈提卜（OmarKhatib）说：“在某种意义上，我们在这里所做的就是让神经网络更具解释性，那么对其进行微调可能会更具挑战性。”。“我们在优化培训以学习模式方面确实遇到了困难。”
然而，一旦该模型开始工作，它就被证明比之前该小组为相同任务创建的神经网络更有效。特别是，该小组发现，这种方法可以显著减少模型确定超材料特性所需的参数数量。
他们还发现，这种基于物理的方法能够自行发现。
当电磁波在物体中传播时，它在传播开始时与物体的相互作用方式与传播结束时的相互作用方式并不完全相同。这种现象称为空间色散。由于研究人员必须调整空间色散参数以使模型准确工作，因此他们发现了对这一过程的物理认识，这是他们之前所不知道的。
帕迪拉说：“现在我们已经证明了这是可以做到的，我们想把这种方法应用到物理未知的系统中。”。
Malof补充道：“很多人都在使用神经网络预测材料性能，但从模拟中获得足够的训练数据是一件非常痛苦的事情。”。“这项工作还为创建不需要那么多数据的模型提供了一条途径，这在所有方面都很有用。”